5點面部標志檢測器

• • 1. 5點與68點面部標志檢測器效果對比
  • 2. 各種人臉檢測器算法的優劣對比
  • 3. 如何在自己的腳本中實現五點面部標志檢測器
  • 4. 5點面部標志檢測器的局限性
  • 5. 源碼
  • 6. 參考

1. 5點與68點面部標志檢測器效果對比

68點面部標志檢測器把面部分為眉毛、眼睛、鼻子、嘴巴、下頜五部分；
5點面部標志檢測器將面部分為5個點，左眼2點、右眼2點、鼻子1點；

68點面部標志檢測器（模型【99.7M】）
5點面部標志檢測器（相比68點，速度快10%、效率更高、模型小10倍【9.2M】），小十倍的模型！對于移動應用程序用戶的下載時間/資源上一個極大的進步；

68點面部標志檢測器效果圖：

5點面部標志檢測效果圖：

2. 各種人臉檢測器算法的優劣對比

• Haar級聯：快速，但準確性較低。調整參數可能會很麻煩；
• HOG +線性SVM：通常（顯著）比Haar級聯更準確，假陽性更少。在測試時需要調整的參數較少。與Haar級聯相比，速度可能較慢。
• 基于深度學習的檢測器：經過正確培訓，其比Haar級聯和HOG +線性SVM顯著更準確，更耐用。根據模型的深度和復雜性，它可能非常慢。可以通過在GPU上執行檢測來加快速度；

對于不同的平臺，實現不同的功能，在選擇那種人臉檢測器需要考慮這些準則；

3. 如何在自己的腳本中實現五點面部標志檢測器

1） 加載模型，加載圖片
2） 面部檢測，面部標志檢測
3） 繪制每個點在圖像上

4. 5點面部標志檢測器的局限性

5點面部標志檢測器（左眼2點、右眼2點、鼻子1點）的一個良好應用是面部對齊，比68點更高效；

但在眨眼檢測，疲勞駕駛檢測（核心：計算眼睛的EAR（眼睛的縱橫比），在某個瞬間達到0）時，則必須需要使用68點面部標志檢測器，以及任何其他需要了解更多面部細節（如鼻子、嘴巴、眉毛、下頜）的應用程序也需要使用68點面部標志檢測器。

5. 源碼

# python faster_facial_landmarks.py --shape-predictor shape_predictor_5_face_landmarks.dat --image images/03.jpg
# python faster_facial_landmarks.py --shape-predictor shape_predictor_68_face_landmarks.dat --image images/03.jpg# 導入必要的包
from imutils import face_utils
import argparse
import imutils
import dlib
import cv2# 構建命令行參數，解析參數
# --shape-predictor 面部標志檢測器模型路徑
# --image 圖像路徑
ap = argparse.ArgumentParser()
ap.add_argument("-p", "--shape-predictor", required=True,help="path to facial landmark predictor")
ap.add_argument("-i", "--image", required=True,help="path to input image")
args = vars(ap.parse_args())# 初始化dlib基于 HOG的面部檢測器
# 初始化面部標志檢測器
print("[INFO] loading facial landmark predictor...")
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor(args["shape_predictor"])# 加載圖像，保持寬高比的縮放到寬度為500像素，轉換為灰度圖
image = cv2.imread(args["image"])
image = imutils.resize(image, width=800)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用HOG+線性SVM檢測器 從灰度圖幀中檢測面部
rects = detector(gray, 0)# 判斷是否檢測到了面部，并打印檢測到的人臉數目在屏幕上
if len(rects) > 0:text = "{} face(s) found".format(len(rects))
cv2.putText(image, text, (10, 20), cv2.FONT_HERSHEY_SIMPLEX,0.5, (0, 0, 255), 2)# 遍歷每一個人臉
for rect in rects:# 計算人臉的邊界框，并打印在評不上(bX, bY, bW, bH) = face_utils.rect_to_bb(rect)cv2.rectangle(image, (bX, bY), (bX + bW, bY + bH),(0, 255, 0), 1)# 從面部區域中檢測面部標志# 轉換檢測到的面部標志坐標為Numpy數組shape = predictor(gray, rect)shape = face_utils.shape_to_np(shape)# 遍歷每一個面部標志結果的（x, y）像素，并繪制小圓圈在屏幕上for (i, (x, y)) in enumerate(shape):cv2.circle(image, (x, y), 1, (0, 0, 255), -1)cv2.putText(image, str(i + 1), (x - 10, y - 10),cv2.FONT_HERSHEY_SIMPLEX, 0.35, (0, 0, 255), 1)# 展示圖片
cv2.imshow("image", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

6. 參考

• https://www.pyimagesearch.com/2018/04/02/faster-facial-landmark-detector-with-dlib/#download-the-code